楼主在自学完人工智(ruo)能(zhi)后,一直都没有在测试工作中找到可施展的地方。碰巧最近再和360的同行交流后,灵光一闪,有了今天的文章。

背景

花椒相机是360发布的一款拍照APP,可以在照片中加入各种小插件来美化照片。尽管自动化可以搞定该APP拍照的大部分功能,但是对于加入插件后的照片是否正确却无法验证,只能通过保存到本地,进行人工检查。无法使自动化形成一个闭环,未能使自动化的价值最大化。

可行性分析

既然可以拍照把照片保存到本地,当照片变多后,就形成了大量的照片数据,这些照片完全就可以再利用起来,用人工智能来玩。

工具选择

工欲善其事必先利其器

这里简单的写下所需要的工具包的安装,如果安装的时候遇到了各种莫名其妙的报错问题,那么Google一下

其他

那我们就从这里开始进入正文

因为楼主的目的是要对图片进行多分类,因为楼主的数据里面已经有X -> Y了,所以这是一种有监督学习。
首先我们要确定的是用什么算法来训练数据,这里楼主主要试验了两种算法:

  1. KNN

    使用KNN的时候,因为数据样本不够多,正确率大概在60%左右,不是太可观的结果。

  2. SVM
    对于,支持向量机,也使用了两种算法

    1. SVC:"one-against-one"策略
    2. LinearSVC:"one-vs-the-rest"策略

代码如下:

import Image
import numpy as np
import os
from sklearn import svm

def getTrainClass(category):
if category == 'Train':
classes = {0, 1, 2, 3, 4, 5, 6, 7}
else:
classes = {0, 1, 2, 5, 7}
return classes

def getImageData(path,classes):
ImageList = []
LabelList = []
for name in classes:
class_path = cwd + path + "/" + str(name) + "/"
for image_name in os.listdir(class_path):
image_path = class_path + image_name
if 'JPG' in image_path:
img = Image.open(image_path)
ImageList.append(np.asarray(img).flatten())
LabelList.append(name)
return ImageList, LabelList

cwd = '/home/hadoop/Pictures/pic1/'

TrClasses = getTrainClass('Train')
tr_img, tr_label = getImageData('Train',TrClasses) #加载训练数据
tstClass = getTrainClass('Validation')
tst_img, tst_label = getImageData('Validation',tstClass) #加载测试数据

svcClf = svm.LinearSVC() #直接使用默认参数就好了
svcClf.fit(tr_img,tr_label)

Z = svcClf.predict(tst_img)

result = (1 - np.sum(Z==tst_label)/float(len(tst_img)))
print "\nthe total error rate is: %f" %result

使用LinearSVC训练数据的时候,效率稍微有点低,比直接使用SVC低,但是别人正确率高呀
结果如下:

剩下要做的是就是固化了,然后就可以直接调用了。

写在最后的话

这是时下很火热的人工智(RUO)能(ZHI)在测试中的一种应用,相信在测试工作中,还有很多地方可以使用人工智(RUO)能(ZHI)来提高咱们的工作效率。
那就自己多发现吧。


↙↙↙阅读原文可查看相关链接,并与作者交流